求助：使用Python提取PDF中非表格类结构化文本数据

我需要从PDF中提取特定结构化文本，预期输出为包含word和type字段的结构化格式（对应预设示例样式）。先后尝试两种方案均未达成目标：

• 使用Tabula库提取表格数据，输出结果不符合结构要求
• 编写正则表达式匹配文本，无法正确拆分目标字段

以下是我编写的完整代码，恳请帮忙排查问题：

import tabula
import pandas as pd
import numpy as np


df = (pd.concat(
         tabula.read_pdf(
              "/content/drive/MyDrive/Stage/word.pdf", pages="all", pandas_options={"header": None}))
         .squeeze().str.extract(r"\)\s*([^\s]+)\s*([a-z\s,]+)?\s*([A-Z\s]+)?\s*(\w\d+)")
         .stack(dropna=False).strip().unstack()
         .set_axis(["word", "type", "comment", "suffix"], axis=1)
     [["word", "type"]] #uncomment this line to match your expected output
     )

df.to_excel("table.xlsx", index=False) #uncomment this line to make a spreadsheet
print(df)

内容的提问来源于stack exchange，提问作者tous